یادگیری ماشین A-Z: پشتیبانی از دستگاه بردار با پایتون

این دوره واقعا یک گام به گام است. در هر ویدئو جدید، ما بر آنچه که قبلا آموخته شده و یک گام اضافی به جلو حرکت می کنیم، ساختیم. سپس ما یک کار کوچک را که در ابتدای ویدیو بعدی حل می شود، به شما اختصاص می دهیم. این دوره جامع راهنمای شما خواهد بود برای یادگیری نحوه استفاده از قدرت پایتون برای آموزش دستگاه خود به طوری که دستگاه شما شروع به یادگیری درست مانند یک انسان می کند؛ بر اساس این یادگیری، دستگاه شما شروع به پیش بینی می کند! ما از پایتون به عنوان زبان برنامه نویسی در این دوره استفاده خواهیم کرد، که در حال حاضر در مورد یادگیری ماشین صحبت می کنیم.

پایتون از سطح بسیار ابتدایی تا سطح پیشرفته آموزش داده خواهد شد، بنابراین مفهوم یادگیری ماشین می تواند اجرا شود. ما همچنین گام های مختلف پیش پردازش داده ها را یاد خواهیم گرفت، که به ما اجازه می دهد اطلاعات را برای الگوریتم های یادگیری ماشین آماده کنیم. ما تمام مفاهیم کلی یادگیری ماشین را یاد می گیریم، که به دنبال اجرای یکی از مهمترین الگوریتم های ML الگوریتم های "پشتیبانی از دستگاه بردار" خواهد بود. هر یک از مفهوم SVM به لحاظ نظری آموزش داده می شود و با استفاده از پایتون اجرا می شود.

عنوان اصلی : Machine Learning A-Z: Support Vector Machine with Python

سرفصل های دوره :

مقدمه ای برای دوره:
مقدمه ای برای دوره
چرا یادگیری ماشین
چرا پشتیبانی از دستگاه بردار
مرور دوره

مقدمه ای بر یادگیری ماشین:
مقدمه ای بر یادگیری ماشین، فرآیند یادگیری و یادگیری تحت نظارت
یادگیری یادگیری و تقویت تقویت نشده
تاریخ و آینده یادگیری ماشین
مجموعه داده ها، برچسب ها و ویژگی ها
داده های آموزش، تست داده ها، و از بین بردن
مدل
مدل (تفاوت بین طبقه بندی و رگرسیون)
مدل (تابع، پارامترها، hyperparameters)
آموزش یک مدل، هزینه، خطا، از دست دادن، خطر و دقت
بهینه سازی
Operfitting، Underfitting، فقط بهینه مناسب (قسمت 1)
Operfitting، Underfitting، فقط بهینه مناسب (قسمت 2)
اعتبار سنجی و اعتبار سنجی متقابل، تعمیم، snooping داده ها، تنظیم اعتبار سنجی
توزیع احتمالات و نفرین ابعاد
مشکلات اندازه نمونه کوچک، یک یادگیری شات
اهمیت داده ها در یادگیری ماشین، رمزگذاری داده ها و پیش پردازش
جریان عمومی یک پروژه یادگیری ماشین معمولی

مقدمه ای بر پایتون:
مقدمه ای بر پایتون
معرفی به IDE، سلام جهان
معرفی به نوع داده، اعداد
متغیر و اپراتورها (اعداد)
متغیرها و اپراتورها (اپراتورهای منطقی و توابع)
متغیرها و اپراتورها (رشته)
متغیرها و اپراتورها (بیانیه رشته و چاپ)
لیست ها (نمایه سازی، برش لیست ساخته شده در توابع)
لیست ها (کپی کردن یک لیست)
tuples (نمایه سازی، برش، توابع داخلی ساخته شده)
مجموعه (مقداردهی اولیه، ساخته شده در مجموعه های ساخته شده در مجموعه)
دیکشنری
اپراتور منطقی، تصمیم گیری، برای حلقه ها، در حالی که حلقه ها، توابع
اپراتور منطقی، تصمیم گیری، برای حلقه ها، در حالی که حلقه ها، درک مطلب
توابع
پروژه ماشین حساب

gridworld مثال:
معرفی SVM
تبعیض خطی
خطی تبعیض آمیز فضاهای بالاتر
خطی تصمیم گیری در مورد محدودیت
مدل خطی عمومی
ویژگی تحول
Max Margin Margin Discriminant
حاشیه سخت در مقابل حاشیه نرم
اعتماد به نفس
Extension Multiclass
SVM در مقابل رگرسیون رگرسیون لجستیک
بهینه سازی SVM
SVM LangRangian دوگانه
هسته
Python Packages و مجموعه داده های تایتانیک
با استفاده از Numpy، Pandas، و Matplotlib (قسمت 1)
با استفاده از Numpy، Pandas، و Matplotlib (قسمت 2)
با استفاده از Numpy، Pandas، و Matplotlib (قسمت 3)
با استفاده از Numpy، Pandas، و Matplotlib (قسمت 4)
با استفاده از Numpy، Pandas، و Matplotlib (قسمت 5)
با استفاده از Numpy، Pandas، و Matplotlib (قسمت 6)
پیش پردازش داده ها
svm با sklearn
SVM بدون Sklearn (قسمت 1)
SVM بدون Sklearn (قسمت 2)

بخش SVM اختیاری:
بهینه سازی SVM اختیاری (قسمت 1)
بهینه سازی SVM اختیاری (قسمت 2)
بهینه سازی اختیاری SVM (قسمت 3)
بهینه سازی SVM اختیاری (قسمت 4)
بهینه سازی SVM اختیاری (قسمت 5)
بهینه سازی SVM اختیاری (قسمت 6)